检索结果-南通市图书馆

电力企业财务风险内部控制存在的问题及对策

引用

商界（评论） 2024年第6期 0167-0169页

作者：马雅楠新疆大明德电力有限公司

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

传统文化美学在现代城市会展设计中的应用研究

引用

商展经济 2024年第9期 16-18页

作者：马雅楠陕西服装工程学院陕西西安712046

本文研究发现:传统文化美学在现代城市会展设计中发挥着重要作用,能够深化文化内涵,提高会展品质;彰显城市特色,提升展示效果;融合艺术科技,丰富观众体验。传统文化美学在现代城市会展设计中的应用体现出多元化与个性化设计并行发展、... 详细信息

本文研究发现:传统文化美学在现代城市会展设计中发挥着重要作用,能够深化文化内涵,提高会展品质;彰显城市特色,提升展示效果;融合艺术科技,丰富观众体验。传统文化美学在现代城市会展设计中的应用体现出多元化与个性化设计并行发展、环保与可持续发展理念日益凸显、科技赋能创新会展设计形式等趋势。据此,本文针对性提出了传统文化美学在现代城市会展设计中的应用策略:挖掘传统文化元素,丰富会展设计内涵;巧妙运用空间布局,实现会展色彩搭配;结合现代科技手段,展示传统文化魅力。本文仅供参考。

关键词：传统文化美学城市会展会展设计文化元素品牌价值科技赋能

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

理性情绪调节护理用于帕金森病护理中的效果研讨

引用

中国科技期刊数据库医药 2024年第7期 0148-0151页

作者：马雅楠南通瑞慈医院神经内科江苏南通226010

研讨临床护理帕金森病患者时应用理性情绪调节护理的干预效果及意义。方法研究抽选2022年12月-2023年12月间收治的86例帕金森病患者为观察对象,抽签形式分组,参比组43例、研究组43例,经常规护理干预参比组,理性情绪调节护理干预研究组... 详细信息

研讨临床护理帕金森病患者时应用理性情绪调节护理的干预效果及意义。方法研究抽选2022年12月-2023年12月间收治的86例帕金森病患者为观察对象,抽签形式分组,参比组43例、研究组43例,经常规护理干预参比组,理性情绪调节护理干预研究组,观察患者病情变化、心理状态、生活质量及满意度。结果研究组出院时帕金森病评分高于参比组(P<0.05);研究组出院时坚韧、乐观、力量等心理评分高于参比组(P<0.05);研究组出院时的精神健康、日常行为、身体活动评分均比参比组高(P<0.05);研究组护理总满意度明显高于参比组(P<0.05)。结论对帕金森病患者采取理性情绪调节护理后,患者的心理弹性增强,病情缓解,生活质量提高,具有临床推广意义。

关键词：心理状态帕金森病满意度理性情绪调节护理生活质量

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于CEEMDAN-CNN-LSTM的供热异常数据检测与清洗

引用

电子测量技术 2024年

作者：梁晓龙李金刚徐平平马雅楠孟现阳国能宁夏供热有限公司西安交通大学热流科学与工程教育部重点实验室

利用供热系统的准确参数，对监测系统状态、识别异常情况具有指导意义。然而大量终端数据，可能存在失真问题，为此本文提出了一种异常数据检测和清洗方法。采用信号模态分解结合深度学习，构建数据检测与清洗模型。首先对由DeST获取的... 详细信息

利用供热系统的准确参数，对监测系统状态、识别异常情况具有指导意义。然而大量终端数据，可能存在失真问题，为此本文提出了一种异常数据检测和清洗方法。采用信号模态分解结合深度学习，构建数据检测与清洗模型。首先对由DeST获取的供热负荷进行CEEMDAN模态分解；其次将产生的本征模函数和剩余量输入CNN-LSTM深度学习预测模型，获取高精度结果；最后基于预测值和待清洗数据的偏差，完成检测和数据清洗，提高末端数据准确性。结果表明：本文的CEEMDAN-CNN-LSTM组合模型，识别异常数据的准确率和F1分数达到：91.36%，86.21%，优于其他三种模型；利用预测值替换异常值，保证数据集的完整准确。

关键词：异常检测和清洗模态分解深度学习供热系统

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于CEEMDAN-CNN-LSTM的供热异常数据检测与清洗

引用

电子测量技术 2024年第11期 20-27页

作者：梁晓龙李金刚徐平平马雅楠孟现阳国能宁夏供热有限公司西安交通大学热流科学与工程教育部重点实验室

利用供热系统的准确参数，对监测系统状态、识别异常情况具有指导意义。然而大量终端数据，可能存在失真问题，为此本文提出了一种异常数据检测和清洗方法。采用信号模态分解结合深度学习，构建数据检测与清洗模型。首先对由DeST获取的供热负荷进行CEEMDAN模态分解；其次将产生的本征模函数和剩余量输入CNN-LSTM深度学习预测模型，获取高精度结果；最后基于预测值和待清洗数据的偏差，完成检测和数据清洗，提高末端数据准确性。结果表明：本文的CEEMDAN-CNN-LSTM组合模型，识别异常数据的准确率和F1分数达到：91.36%,86.21%,优于其他3种模型；利用预测值替换异常值，保证数据集的完整准确。

关键词：异常检测和清洗模态分解深度学习供热系统

来源：

同方期刊数据库评论